机器学习笔记2.5——朴素贝叶斯法

最新推荐文章于 2025-05-04 14:32:40 发布
原创 最新推荐文章于 2025-05-04 14:32:40 发布 · 431 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习

朴素贝叶斯分类器基于条件独立假设，简化了预测过程，使其在邮件分类、多分类问题中表现出高效性。在分布独立的理想情况下，其分类效果出色，尤其适合小规模数据和处理缺失数据。然而，现实生活中特征间往往存在相关性，且需要预先知道先验概率，这是其主要局限。

条件独立假设：用于分类的特征在类确定的条件下都是条件独立的。

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

优点：

  • 对待预测样本进行预测，过程简单速度快(想想邮件分类的问题，预测就是分词后进行概率乘积，在log域直接做加法更快)
  • 对于多分类问题也同样很有效，复杂度也不会有大程度上升
  • 在分布独立这个假设成立的情况下，贝叶斯分类器效果奇好
  • 对小规模的数据表现很好
  • 对缺失数据不太敏感，算法也比较简单

缺点：

  • 朴素贝叶斯有分布独立的假设前提，而现实生活中这些predictor很难是完全独立的
  • 需要知道先验概率

机器学习面试题之朴素贝叶斯（九）

机器学习笔记——朴素贝叶斯算法
haopinglianlian的博客
11-17 1398
本笔记介绍机器学习中朴素贝叶斯算法。
西瓜书机器学习笔记——朴素贝叶斯
Erik_Ying的博客
07-22 773
机器学习笔记——朴素贝叶斯 引例 问题：现在周同学想购买一杯奶茶，如何判断奶茶是好喝(Y)还是不好喝(N)。 概念 为了判断奶茶好不好喝，引入四个特征：甜度、牛奶、冰块、茶叶。与几个概念 后验概率：给定观测向量X(x1=甜度，x2=牛奶…)，观察特定类别的概率P(y|x)，类别：Y={y0=好喝，y1=不好喝}，特征：X(x1=甜度，x2=牛奶，x3=茶叶，x4=冰块），抽象化如下。 风险：决策为Y时实际情况却为N。如：误诊，判断病人得肺炎，而实际上没有。 误判损失：λ为损失，假设损失的权重为0和1(
【机器学习】朴素贝叶斯
Preke的专栏
02-24 593
好的，回去看完了Andrew Ng的关于这一节的公开课，还有中文的课堂笔记 然后参照了一下《集体智慧编程》这本书，现在对这个算法有一个全面的理解了贝叶斯决策，基本上，从直观理解就是做了这样的事情： 给定历史的数据和类别，然后新来一个数据，计算新来的数据属于每个类别的概率，然后将新来的数据归为概率最大的那一类。贝叶斯定理： p(c|w)=p(w|c)p(c)p(w)p(c|w) = \fra
机器学习5-分类学习-朴素贝叶斯
低到尘埃，仰望星空
07-12 451
模型介绍 \quad 朴素贝叶斯分类器会单独考量每一维度特征被分类的条件概率，进而综合这些概率并对其所在的特征向量做出分类预测。因此，这个模型的基本数学假设是：各个维度上的特征被分类的条件概率之间是相互独立的。 \quad如果采用概率模型来表示，则定义x=<x1,x2,⋯,xn>x=<x1,x2,⋯,xn&amp
机器学习课后题2.5-1、2
Katelalala的博客
05-04 4384
2.5练习题的第1、2题 计算点（1,2,3）和点（3,4,8）的L1、L2、L距离 2、平面上有以下五个点：（1，2）、（2,4）、（1，-1）、（2,5）、（0，-3），用k-means算法对其进行簇数为2的聚类，初始簇中心为（0,0）、（5,5），给出经过1轮迭代和2轮迭代后的簇中心坐标。 ...
机器学习实战 2.5机器学习算法的数据准备
weixin_45853381的博客
04-22 1465
回到一个干净的训练集（再次复制strat_train_set），然后将预测器和标签分开（因为不一定对它们使用相同的转换方式）。 # 获取删除标签列后的数据集 housing = strat_train_set.drop("median_house_value", axis=1) #drop()会创建一个数据副本，但不影响strat_train_set # 标签列 housing_labels = strat_train_set["median_house_value"].copy() 2.5.1 数据
山东大学 机器学习 2.5 4题
zjw12355556466的博客
11-07 1162
先输入上机练习第一题前面所需要的数据。 再根据模式识别课本或老师PPT求出协方差矩阵和均值 （a）马氏距离公式PPT和课本上有 （b）分类根据模式识别课本第49道公式，每个点   的三个概率  都算一下，最大的那个就是了。 （c）与（b）题类似，就不重述了。...
机器学习笔记26——朴素贝叶斯法
weixin_45666566的博客
09-06 894
朴素贝叶斯前言1、概述2、原理3、算法4、朴素贝叶斯种类4.1高斯朴素贝叶斯(GaussianNB)4.2 多项式朴素贝叶斯(MultinomialNB)小结 前言 \quad \quad朴素贝叶斯算法是解决分类问题的监督学习算法，，如客户是否流失、是否值得投资、信用等级评定等多分类问题。该算法的优点在于简单易懂、学习效率高、在某些领域的分类问题中能够与决策树、神经网络相媲美。但由于该算法以自变量之间的独立（条件特征独立）性和连续变量的正态性假设为前提，就会导致算法精度在某种程度上受影响。 1、概述 \q
机器学习算法——朴素贝叶斯
最新发布
2401_87863416的博客
05-04 1486
虽然这个简化方式在一定程度上降低了贝叶斯分类算法的分类效果，但是在实际的应用场景中，极大地简化了贝叶斯方法的复杂性。是经典的机器学习算法之一，也是为数不多的基于概率论的分类算法。指在事件发生后得到的“修正”概率，即通过事件发生后得到的数据计算出的概率。，是指在某个参数或假设成立的前提下，观察到的当前数据的概率。贝叶斯定理将先验概率转化为后验概率，即使用所谓“以往的经验”去计算“新数据更新后的结果”。由分类结果可得，样本“test1”的类别为“好瓜”，即其标签“好瓜”的取值为“是”。
机器学习——朴素贝叶斯
CXDNW的博客
08-14 2604
算法得出的结论，永远不是 100% 确定的，更多的是判断出了一种 “ 样本的标签更可能是某类的可能性 ”，而非一种 “ 确定 ”。决策树 使用的 是 叶子节点上 占比较多 的标签 所占的比例（接口 predict_proba 调用），逻辑回归 使用的 是 sigmoid函数 压缩后的 似然（接口 predict_proba 调用），而 SVM 使用的 是样本点到 决策边界的 距离（接口 decision_function 调用）。但这些指标的本质，都是一种 “类概率” 的表示，可以。
【传统机器学习笔记】——朴素贝叶斯
qq_37992321的博客
04-11 728
明天再写
【机器学习笔记】——朴素贝叶斯法（Naive Bayes）
孙悟充的博客
06-28 1130
目 录 1 朴素贝叶斯法1.1 学习过程1.1.1 如何理解将后验概率最大的类作为 $x$ 的输出1.1.2 怎么求两个概率1.1.2.1 极大似然估计1.1.2.2 贝叶斯估计1.2 算法的优缺点1.2.1 优点1.2.2 缺点1.3 拓展1.3.1 多项分布朴素贝叶斯1.3.1.1 补充朴素贝叶斯1.3.2 高斯朴素贝叶斯1.3.3 伯努利朴素贝叶斯2 算法实现2.1 基于贝叶斯估计的pyt...
机器学习自学笔记——朴素贝叶斯与极大似然估计
m0_61787307的博客
03-13 923
​朴素贝叶斯算法通俗理解，最大似然估计介绍。我们所处在的这个世界是充满概率的一个世界。甚至可以说，世界上所有事情的发生都是有一定概率的，并不存在绝对发生与绝对不发生。​ 比如，你同桌他高考考得分数比你高，他未来工作薪资比你高只是一个可能性事件，在大部分人的认知里，“他未来工作薪资比你高”这个是个大概率事件；但是在我的认知里，绝不是这么一回事。没准他去了他梦想中的天坑专业出来工作都找不到，而你去了一个就业前景好的专业，那么之前那个结论他就不成立。
用python实现聚类分析
热门推荐
TSzero的博客
05-07 3万+
本文简单介绍如何用python里的库实现聚类分析
用python进行主成分分析（PCA）
TSzero的博客
05-10 1万+
一、简介  这篇文章简单介绍了PCA的原理、思想和一些定义，本文将介绍如何用python进行PCA。 二、实现 2.1 标准化数据  在对数据进行PCA前，需要先将数据进行中心标准化，即使特征的平均值为000，方差为111。 from sklearn.preprocessing import StandardScaler StandardScaler(*, copy=True, with_mean=True, with_std=True) 使用说明： 实例化：scaler = StandardScale
因果推断学习笔记三——Uplift模型
TSzero的博客
07-07 1万+
一、Uplift模型 因果推断在互联网界应用主要是基于Uplift model来预测额外收益提升ROI。Uplift模型帮助商家计算人群营销敏感度，驱动收益模拟预算和投放策略制定，促成营销推广效率的最大化。同时如何衡量和预测营销干预带来的“增量提升”，而不是把营销预算浪费在“本来就会转化”的那部分人身上，成为智能营销算法最重要的挑战。 举个例子????：对用户A和用户B都投放广告，投放广告后用户A的CVR（转化量/点击量）为5%，用户B的CVR为4%，那么是否就给用户A投广告呢？仅从投放广告后的结果来看是这
用python计算残差等
TSzero的博客
05-19 1万+
一、简介  这里简单介绍了回归诊断，本文简单介绍如何用python计算其中的值。 二、计算 import statsmodels.api as sm # 以波士顿房价为例 from sklearn.datasets import load_boston from sklearn.model_selection import train_test_split X = load_boston()['data'] y = load_boston()['target'] # 加上全1列 X = sm.add_c
方差分析
TSzero的博客
05-20 8537
一、简介
线性回归模型详解
TSzero的博客
05-13 7983
一、简介  线性回归模型是一种很常见、很常用的模型，下面我们简单介绍一下。 二、介绍 2.1 模型  线性回归模型的表达式为：Y=Xβ+ε(1)Y = X\beta + \varepsilon\tag1Y=Xβ+ε(1) 其中，Y=(y1,y2,⋯ ,yn)TY = (y_1, y_2, \cdots, y_n)^TY=(y1​,y2​,⋯,yn​)T, β=(β0,β1,⋯ ,βp−1)T\beta=(\beta_0, \beta_1, \cdots, \beta_{p-1})^Tβ=(β0​,β1​,⋯
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值